论文部分内容阅读
本论文提出一种新的、基于最近邻原则的图象识别PCA算法。这种算法完全摈弃了在计算图象协方差矩阵时先把图象转化为一维随机向量,然后再计算随机向量协方差矩阵的做法,因为,在把图象转化为一维随机向量的时候,不可避免地要割裂图象象素之间这样或那样的相关性。本论文提出的算法先计算图象象素的方差和协方差,然后在二维矩阵的“棋盘”上摆放这些方差和协方差:在矩阵的对角线上按照由大到小的顺序排列象素的方差;在矩阵的上三角形区域逐行按照与同行对角线上象素空间距离最近的顺序由近及远排列象素的协方差,然后再按照关于对角线对称的原则填补矩阵的下三角形(对称性原则的运用保证了矩阵的对称性,从而保证了特征值的实数性质和特征向量的正交性)。在图象中,象素的空间距离越接近越相关,因而协方差也越大。因此,本论文提出的算法可以形成大值协方差尽量向对角线靠拢的矩阵。在相同阈值的条件下,这样的矩阵可以产生数目最少的主元。
实验结果表明,与经典PCA方法相比,在阈值相同的条件下,本论文提出的算法所产生的主元数目减少了11.6%,但是识别率并没有下降;在相同主元数目的条件下,本论文提出的算法的识别率提高了1.5个百分点。